AI反编译游戏爆发：当软件被彻底“解”了

AI写代码的能力正在以惊人的速度突破，而这种突破带来的颠覆性，很多人才刚刚开始意识到。有人把一款游戏的角色塞进另一款游戏的世界里：《艾尔登法环》里的超级马里奥、《使命召唤》里加入滑板机制、把蜘蛛侠放进蝙蝠侠的游戏。还有人干脆用AI克隆了一个Photoshop，并开源免费发布。这些看似天马行空的操作背后，是一个共同的技术逻辑——AI极其擅长在"可验证的循环"中逼近目标。

反编译的本质：从机器码倒推人类代码

要理解这波浪潮，得先弄清"反编译"到底是什么。程序员写的源代码是人类可读、可编辑的版本，编译器会把它转成机器可高效运行的机器码。你拿到的《侠盗猎车手》游戏文件就是机器码——理论上能读，但要靠人工逐行猜测它做了什么、再验证确实如此，可能要耗费数年。

反编译就是把这个过程倒过来：你知道输出（比如马里奥起跳），但不知道能产生这个结果的输入代码。于是进入"猜测—验证"的循环，写一段代码看看马里奥是否真的跳起来，不对就重来。

这里有个关键细节：反编译得到的代码并非与原版逐行一致。编译过程中注释通常被丢弃、变量名会消失、编译器还会重排和简化结构。举个简单例子，一个返回"2+3"的方法，编译后只需返回"5"。所以反编译时你只需写"return 5"。但这不影响最终结果——游戏的表现、外观、玩法完全一致。

反编译在游戏领域有着悠久的历史，但传统做法极度依赖人工逆向工程（Reverse Engineering）。逆向工程师需要掌握汇编语言，借助IDA Pro、Ghidra等专业反汇编工具，将机器码翻译成低级的汇编指令，再从中推测高层逻辑。这个过程既需要对目标平台架构（如x86、MIPS、PowerPC）的深入了解，也需要大量领域经验来识别常见编译器生成的代码模式。知名的开源游戏重建项目如《超级马里奥64》的解包版本（sm64decomp）曾动员了数十名志愿者协作数年，才逐步还原出可编译的C源码。正是这种极端的人力门槛，使得反编译长期只在专业社区和少数发烧友中存在，而AI介入后，这道门槛正在被大幅降低。

为什么AI让耗时数年变成几天

反编译几乎是为AI量身定制的任务：代码密集，且带有一个"可验证的循环"。AI猜测某段逻辑可能是什么，再对照原始素材检查，然后继续。AI不会累、不会饿、不想睡，就这样不断churning直到得到游戏的精确克隆。

速度跃升的原因有三：可以把游戏拆成小块分配给大量agent并行跑；AI写代码比人类更快；AI在给定可验证目标后能持续工作直至达成。三者叠加，就从一支团队耗时数年压缩到几天。

一个具体案例：Chris Lewis反编译《Snowboard Kids》，此前耗时近两年，借助AI后仅用84天完成，而且这个时间线还在快速缩短。作者本人也用GPT-6.1在为OpenAI开发者日赠送的mod retro设备（类似重制版Game Boy）从零重建《超级马里奥世界》，已经连续运行超过四天，预计再过几天就能完成。他提到现在模型更便宜高效，反而"用不完token"了。

注：视频中提及的具体模型名称（如GPT-6.1、GPT-6 Pro、Fable 5.1）为创作者个人表述，读者需自行甄别其真实性。

游戏混搭的四种技术路径

把不同游戏揉在一起，技术上有由浅入深的四层。

**资源替换（Skin Swap）**是最简单的——只换屏幕上显示的内容，把蝙蝠侠的外观替换成蜘蛛侠，角色看起来变了，行为逻辑仍是原游戏的。

**穿透式mod（Pass-through Mod）**则让两个游戏同时运行，并在它们之间搭建连接。比如把Minecraft塞进GTA：Minecraft引擎处理自己的方块和生物，mod负责对齐摄像机、合并两者的画面并传递信息。当Minecraft里的TNT爆炸时，连接层会通知GTA在对应位置生成爆炸。墙体要对齐，物理要匹配，两个游戏需要就"发生了什么"达成一致。

机制移植是把一个游戏的"行为"搬到另一个游戏，比如给《天际》加上《镜之边缘》的跑酷系统，或让射击游戏能玩滑板。你要迁移的是加速度、跳跃高度、落地和碰撞规则，并让它们在新引擎里运作。有时能直接把原代码搬过去就能用；有时AI无法拿到代码，只能观察机制再在新游戏里重建——后一种方法在AI之前几乎不现实。

彻底重建游戏及其规则是最密集也最依赖AI的方式：你实际上在编写一套替代软件，研究原版、搞清它的运作、再实现你需要的部分。它给你最大的控制权，能做出更真实的混搭，但也最耗时。

游戏引擎的封闭性是理解这四种路径难度差异的关键背景。现代商业游戏普遍使用专有引擎（如GTA系列的RAGE引擎、《天际》的Creation Engine），这些引擎不对外公开源码，mod开发者只能通过游戏暴露的脚本接口或内存注入来修改行为。资源替换之所以最简单，是因为图形资产（纹理、模型）在磁盘上以相对标准化的格式存储，替换无需理解引擎内部逻辑。而穿透式mod和机制移植则需要在两套完全不同的内存模型和物理系统之间建立实时通信，技术难度呈指数级上升。AI在机制移植中的价值尤为突出——它可以通过反复测试参数（如跑酷的加速度曲线、碰撞检测阈值）来"感知"目标行为，再在新引擎中迭代重现，这本质上是在没有文档的情况下对物理系统做黑盒拟合。

"软件被解了"：从Photoshop到数学

作者抛出了更大的命题：如果AI能不看源代码就重建一款游戏，为什么不能对所有软件这么做？

有人把AI指向本地安装的Photoshop，让它边使用边从零重建，最终开源了一个免费版本叫PhotoCraft。作者自己也曾用AI通过观察行为重建过Excel——AI点击单元格、观察点击产生的效果（比如添加公式），再复现这套行为，全程不看源码。

照此逻辑，Adobe Premiere乃至任何软件都可被重建。作者由此断言"软件被解了"。但这不代表围绕软件做公司就没价值——如果你唯一的护城河就是软件本身，那确实危险；真正重要的是软件之外的服务：培训、企业功能、客户支持、持续维护与更新。

这一切都回到"循环"这个核心概念。这也是为什么Claude Code、Codex、Cursor都引入了"/goal"或"/loop"的玩法：设定高层目标，让AI持续工作直到达成。数学同理——你知道大致要证明什么，却不知道路径，于是让AI不知疲倦地尝试所有可能路径。据作者引用的Twitter用户Will Depew分析，AI让GPT-6 Pro和Fable 5.1对近三年数学发现分类，结果显示大量新证明来自AI。

可验证即可解，但人类品味正变得更稀缺

作者给出的核心推论是：任何有可验证结果的任务——哪怕你不知道怎么做，只要能判断答案对错——基本都能被AI解决。 由此延伸到"递归自我改进"：让AI对准自身改进效率、速度和方法，每次发现更优做法就应用回自己，形成智能爆炸。他举了Google的AlphaEvolve为例，该项目通过优化底层代码据称为Google每年节省数十亿美元。这也是前沿实验室讨论"放缓前沿"、强调对齐的原因。

但在这样一个人人都能轻松生成数字内容的世界里，作者认为"创造力"和"判断什么能打动人"反而变得前所未有地重要。你能生成一百万张漂亮图片，不代表这一百万张能在情感上打动别人。艺术是否有意义，只能靠投放出去看反应——这恰恰是"不可验证"的部分。

对于"别人会复制你的创意"这一质疑，作者认为这在艺术史里一直存在，音乐不断被remix和resample，大多数作品本就是对前作的衍生。AI只是让衍生品的数量暴增，而当噪音越来越多，真正有信号的作品会愈发珍贵。你能把马里奥放进艾尔登法环，但下一个马里奥、下一个艾尔登法环，依然需要人类来讲出一个引人入胜的故事和好玩的游戏。

递归自我改进（Recursive Self-Improvement）是AI安全领域长期讨论的核心议题之一。其基本逻辑是：若一个AI系统足够强大，能够修改和优化自身的代码或权重，则每一轮改进后的系统会比前一版本更擅长"改进自己"，从而形成正反馈循环，理论上可在短时间内达到远超人类智能的水平——这一临界点常被称为"智能爆炸"（Intelligence Explosion），由数学家I.J. Good于1965年首次系统描述。文章提到的Google AlphaEvolve项目正是这一方向的工程实践：它使用进化算法驱动AI自动优化底层计算内核代码，已在矩阵乘法等核心运算上取得了超越人类专家数十年积累的效率提升。这一案例标志着AI优化的对象从"具体任务"开始转向"计算基础设施本身"，其潜在影响远超单一软件的重建或克隆。